我正在尝试在R/S-PLUS中通过分类列一次性获取多个汇总统计信息。我找到了几个函数，但它们都是每次调用一个统计量，比如aggregate()。
data <- c(62, 60, 63, 59, 63, 67, 71, 64, 65, 66, 68, 66,
71, 67, 68, 68, 56, 62, 60, 61, 63, 64, 63, 59)
grp <- factor(rep(LETTERS[1:4], c(4,6,6,8)))
df <- data.frame(group=grp, dt=data)
mg <- aggregate(df$dt, by=df$group, FUN=mean)
mg <- aggregate(df$dt, by=df$group, FUN=sum)
tapply以下是关于tapply()的我的个人见解。
tapply(df$dt, df$group, summary)
你可以编写一个具有特定统计信息的自定义函数或格式化结果：
tapply(df$dt, df$group,
function(x) format(summary(x), scientific = TRUE))
$A
Min. 1st Qu. Median Mean 3rd Qu. Max.
"5.900e+01" "5.975e+01" "6.100e+01" "6.100e+01" "6.225e+01" "6.300e+01"
$B
Min. 1st Qu. Median Mean 3rd Qu. Max.
"6.300e+01" "6.425e+01" "6.550e+01" "6.600e+01" "6.675e+01" "7.100e+01"
$C
Min. 1st Qu. Median Mean 3rd Qu. Max.
"6.600e+01" "6.725e+01" "6.800e+01" "6.800e+01" "6.800e+01" "7.100e+01"
$D
Min. 1st Qu. Median Mean 3rd Qu. Max.
"5.600e+01" "5.975e+01" "6.150e+01" "6.100e+01" "6.300e+01" "6.400e+01"
data.tabledata.table包为这些类型的操作提供了很多有用且快速的工具：
library(data.table)
setDT(df)
> df[, as.list(summary(dt)), by = group]
group Min. 1st Qu. Median Mean 3rd Qu. Max.
1: A 59 59.75 61.0 61 62.25 63
2: B 63 64.25 65.5 66 66.75 71
3: C 66 67.25 68.0 68 68.00 71
4: D 56 59.75 61.5 61 63.00 64
summary，例如：tapply(df$dt, df$group, function(x) format(summary(x), scientific = TRUE))。 - BenBarnesdata.table包进行这些操作。我会更新答案并提供一个例子。 - BenBarnesdplyr包可能是解决这个问题的不错选择：
library(dplyr)
df %>%
group_by(group) %>%
summarize(mean = mean(dt),
sum = sum(dt))
df %>%
group_by(group) %>%
summarize(q1 = quantile(dt, 0.25),
q3 = quantile(dt, 0.75))
使用Hadley Wickham的purrr包非常简单。使用split将传递的data_frame拆分为组，然后使用map将summary函数应用于每个组。
library(purrr)
df %>% split(.$group) %>% map(summary)
tapply方法相同的输出。 - dsaxton有很多不同的方法可以解决这个问题，但我比较偏爱 psych 包中的 describeBy 函数：
describeBy(df$dt, df$group, mat = TRUE)
可以看一下 plyr 包。具体地，看一下 ddply
ddply(df, .(group), summarise, mean=mean(dt), sum=sum(dt))
经过长达5年的时间，我相信这个答案不会受到太多关注。但为了让所有选项都完整，这里提供一个使用data.table的选项。
library(data.table)
setDT(df)[ , list(mean_gr = mean(dt), sum_gr = sum(dt)) , by = .(group)]
# group mean_gr sum_gr
#1: A 61 244
#2: B 66 396
#3: C 68 408
#4: D 61 488
psych软件包有一个很好的选项用于分组汇总统计：
library(psych)
describeBy(dt, group="grp")
生成许多有用的统计信息，包括平均值、中位数、范围、标准偏差和标准误差。
虽然其他方法也可以使用，但这个方法与您之前所做的相似，并且仅使用基本的r语言功能。如果您熟悉aggregate命令，则可能更易于理解。
with( df , aggregate( dt , by=list(group) , FUN=summary) )
descr包中的freq函数。虽然这不完全是您要求的，但仍可能具有指导意义。详情请参见：http://www.rdocumentation.org/packages/descr/functions/freq - dwstu不确定为什么 受欢迎的 skimr 软件包 没有被提及。他们的函数 skim() 旨在 替代基础 R 的 summary()，并支持 dplyr 分组：
library(dplyr)
library(skimr)
starwars %>%
group_by(gender) %>%
skim()
#> ── Data Summary ────────────────────────
#> Values
#> Name Piped data
#> Number of rows 87
#> Number of columns 14
#> _______________________
#> Column type frequency:
#> character 7
#> list 3
#> numeric 3
#> ________________________
#> Group variables gender
#>
#> ── Variable type: character ──────────────────────────────────────────────────────
#> skim_variable gender n_missing complete_rate min max empty n_unique
#> 1 name feminine 0 1 3 18 0 17
#> 2 name masculine 0 1 3 21 0 66
#> 3 name <NA> 0 1 8 14 0 4
#> 4 hair_color feminine 0 1 4 6 0 6
#> 5 hair_color masculine 5 0.924 4 13 0 9
#> 6 hair_color <NA> 0 1 4 7 0 4
#> # [...]
#>
#> ── Variable type: list ───────────────────────────────────────────────────────────
#> skim_variable gender n_missing complete_rate n_unique min_length max_length
#> 1 films feminine 0 1 9 1 5
#> 2 films masculine 0 1 24 1 7
#> 3 films <NA> 0 1 3 1 2
#> 4 vehicles feminine 0 1 3 0 1
#> 5 vehicles masculine 0 1 9 0 2
#> 6 vehicles <NA> 0 1 1 0 0
#> # [...]
#>
#> ── Variable type: numeric ────────────────────────────────────────────────────────
#> skim_variable gender n_missing complete_rate mean sd p0 p25 p50
#> 1 height feminine 1 0.941 165. 23.6 96 162. 166.
#> 2 height masculine 4 0.939 177. 37.6 66 171. 183
#> 3 height <NA> 1 0.75 181. 2.89 178 180. 183
#> # [...]
data <- c(行末有多余逗号。 - BenBarnes